تحقیق ارتباط با روش های پردازش سیگنال ECG

فهرست مطالب
Contents
1 فصل 1: مقدمه 2
1.1 پیشینه و اهمیت موضوع 2
1.2 هدف و ضرورت تحقیق 5
1.3 ساختار پرژوهش 5
2 فصل 2: مروری بر پردازش سیگنال‌های زیستی و ECG 7
2.1 سیگنال ECG چیست؟ 8
2.2 نویزها و چالش‌های پردازش ECG 11
2.2.1 رانش خط پایه (Baseline Wander) 12
2.2.2 نویز خط برق (Power-line Interference) 13
2.2.3 نویز عضلانی یا آرتیفکت EMG 13
2.3 روش‌های پیش‌پردازش سیگنال 14
2.3.1 حذف نویزهای فرکانس پایین و بالا 14
2.3.2 حذف نویز خط برق 15
2.3.3 مقایسه انواع فیلترهای دیجیتال: FIR در مقابل IIR 15
2.3.4 تکنیک‌های پیشرفته حذف نویز 16
2.4 مطالعات پیشین و الگوریتم‌های موجود 16
2.4.1 رویکردهای کلاسیک: مهندسی ویژگی و طبقه‌بندهای سنتی 16
2.4.2 رویکردهای مدرن: یادگیری عمیق پایان-به-پایان 18
3 فصل 3: استخراج ویژگی‌ها 19
3.1 شناسایی نقاط کلیدی ECG 21
3.1.1 تشخیص کمپلکس QRS: الگوریتم Pan-Tompkins 21
3.1.2 مرزبندی امواج P و T 22
3.1.3 رویکردهای پیشرفته: تحلیل مبتنی بر تبدیل موجک (Wavelet Transform) 22
3.2 اندازه‌گیری فواصل زمانی و دامنه‌ها 23
3.2.1 ویژگی‌های زمانی (مبتنی بر فواصل) 23
3.2.2 ویژگی‌های مورفولوژیکی (مبتنی بر دامنه) 24
3.3 ویژگی‌های مبتنی بر تبدیل (زمانی-فرکانسی) 25
3.3.1 تحلیل در حوزه فرکانس: تبدیل فوریه سریع (FFT) 25
3.3.2 تحلیل در حوزه زمان-فرکانس: تبدیل موجک (Wavelet Transform) 26
3.3.3 ویژگی‌های کپسترال (Cepstral Coefficients) 27
4 فصل 4: طبقه‌بندی و تشخیص 27
4.1 الگوریتم‌های یادگیری ماشین 29
4.1.1 نزدیک‌ترین همسایه (k-Nearest Neighbors – KNN) 29
4.1.2 ماشین بردار پشتیبان (Support Vector Machine – SVM) 29
4.1.3 جنگل تصادفی (Random Forest) 30
4.2 شبکه‌های عصبی و یادگیری عمیق 31
4.2.1 شبکه‌های عصبی مصنوعی (Artificial Neural Networks – ANN) 31
4.2.2 شبکه‌های عصبی کانولوشنی (Convolutional Neural Networks – CNN) 32
4.2.3 شبکه‌های عصبی بازگشتی (Recurrent Neural Networks – RNN) 32
4.3 پیش‌پردازش داده‌ها برای طبقه‌بندی 33
4.3.1 نرمال‌سازی و استانداردسازی ویژگی‌ها (Feature Normalization & Standardization) 34
4.3.2 انتخاب ویژگی و کاهش ابعاد (Feature Selection & Dimensionality Reduction) 34
4.3.3 تقسیم‌بندی مجموعه داده (Dataset Splitting) 35
4.3.4 مدیریت داده‌های نامتعادل (Handling Imbalanced Data) 35
4.4 معیارهای ارزیابی عملکرد 36
4.4.1 دقت (Accuracy) 36
4.4.2 حساسیت (Sensitivity) یا Recall 37
4.4.3 ویژگی (Specificity) 37
4.4.4 دقت مثبت (Precision) 37
4.4.5 امتیاز F1 (F1-Score) 37
5 فصل 5: بصری‌سازی و گزارش‌گیری 39
5.1 بصری‌سازی سیگنال ECG 40
5.1.1 نمایش دینامیک سیگنال و حاشیه‌نویسی خودکار 40
5.1.2 کاربرد در پایش بلادرنگ و دستگاه‌های پوشیدنی 41
5.2 گزارش‌های پزشکی خودکار 41
5.2.1 اطلاعات پایه و آمارهای کلی 41
5.2.2 خلاصه‌ی یافته‌های آریتمی 42
5.2.3 ارائه نمونه‌های شاخص (Representative Strips) 42
5.2.4 تولید متن تفسیری خودکار 43
5.3 کاربردهای بالینی و آینده پژوهش 43
5.3.1 کاربردهای بالینی و پارادایم‌های نوین سلامت 43
5.3.2 مسیرهای تحقیقاتی آینده 44
6 فصل 6: نتیجه‌گیری و پیشنهادات 46
6.1 جمع‌بندی و نتیجه‌گیری 47
6.2 محدودیت‌های موجود و پیشنهادات برای تحقیقات آینده 48

1.1 پیشینه و اهمیت موضوع
بیماری‌های قلبی-عروقی (Cardiovascular Diseases – CVDs) به عنوان اپیدمی خاموش قرن حاضر، همچنان عامل اصلی مرگ‌ومیر و ناتوانی در سراسر جهان محسوب می‌شوند. مطالعات جامع جهانی بار بیماری‌ها (Global Burden of Disease) به طور مستمر نشان می‌دهają که بیماری عروق کرونر و سکته مغزی، بیشترین سهم را در کاهش طول عمر مفید و تحمیل هزینه‌های سنگین بر نظام‌های سلامت جهانی دارند [Roth et al., 2020]. در کانون بسیاری از این رخدادهای قلبی-عروقی، آریتمی‌های قلبی قرار دارند؛ اختلالاتی در سیستم هدایت الکتریکی قلب که منجر به ریتم غیرطبیعی می‌شوند. این اختلالات طیف وسیعی را شامل می‌شوند، از انقباضات نابجای دهلیزی یا بطنی (PAC/PVC) که اغلب خوش‌خیم هستند، تا آریتمی‌های پایدار و خطرناک که نیازمند مداخله فوری پزشکی هستند.
اهمیت بالینی آریتمی‌ها در طبقه‌بندی آن‌ها نهفته است. برای مثال، فیبریلاسیون دهلیزی (Atrial Fibrillation)، شایع‌ترین آریتمی پایدار، با ایجاد انقباضات نامنظم و سریع در دهلیزها، ریسک تشکیل لخته خون و وقوع سکته مغزی را تا پنج برابر افزایش می‌دهد. در مقابل، آریتمی‌های بطنی، مانند تاکی‌کاردی بطنی (Ventricular Tachycardia) و فیبریلاسیون بطنی (Ventricular Fibrillation)، به دلیل تأثیر مستقیم بر توانایی پمپاژ خون توسط بطن‌ها، می‌توانند به سرعت منجر به ایست قلبی و مرگ ناگهانی شوند. بنابراین، تفکیک دقیق این کلاس‌ها از یکدیگر و از ریتم طبیعی سینوسی، برای تعیین استراتژی درمانی و پیش‌آگهی بیمار امری حیاتی است.